論文の概要: Contrastive Domain Generalization via Logit Attribution Matching
- arxiv url: http://arxiv.org/abs/2305.07888v1
- Date: Sat, 13 May 2023 10:21:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 19:10:39.177439
- Title: Contrastive Domain Generalization via Logit Attribution Matching
- Title(参考訳): Logit Attribution Matchingによるコントラスト領域の一般化
- Authors: Han Gao, Kaican Li, Yongxiang Huang, Luning Wang, Caleb Chen Cao,
Nevin L.Zhang
- Abstract要約: ドメイン一般化(DG)は機械学習において重要なオープンな問題である。
本稿では,複数のドメインの代わりに,強いコントラストデータペアによって表現される意味的不変性を活用するコントラスト・ドメイン・ジェネリゼーション(CDG)を提案する。
LAMはペアデータのごく一部で最先端のDG法より優れていることを実証的に示す。
- 参考スコア(独自算出の注目度): 18.663790507626526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain Generalization (DG) is an important open problem in machine learning.
Deep models are susceptible to domain shifts of even minute degrees, which
severely compromises their reliability in real applications. To alleviate the
issue, most existing methods enforce various invariant constraints across
multiple training domains. However,such an approach provides little performance
guarantee for novel test domains in general. In this paper, we investigate a
different approach named Contrastive Domain Generalization (CDG), which
exploits semantic invariance exhibited by strongly contrastive data pairs in
lieu of multiple domains. We present a causal DG theory that shows the
potential capability of CDG; together with a regularization technique, Logit
Attribution Matching (LAM), for realizing CDG. We empirically show that LAM
outperforms state-of-the-art DG methods with only a small portion of paired
data and that LAM helps models better focus on semantic features which are
crucial to DG.
- Abstract(参考訳): ドメイン一般化(DG)は機械学習において重要なオープンな問題である。
深いモデルは、たとえ分単位のドメインシフトに影響を受けやすく、実際のアプリケーションにおける信頼性を著しく損なう。
この問題を軽減するために、既存のほとんどのメソッドは、複数のトレーニングドメインにまたがる様々な不変制約を適用している。
しかし、このようなアプローチは、一般的に新しいテストドメインに対するパフォーマンス保証をほとんど提供しない。
本稿では,複数領域の代わりに強コントラストデータ対によって示される意味的不変性を利用した,cdg(con contrastive domain generalization)という異なる手法について検討する。
本稿では,CDGの潜在能力を示す因果的DG理論を提案し,正規化手法とともに,CDGを実現するためのロジット属性マッチング(LAM)を提案する。
LAMは、ペアデータのごく一部で、最先端のDGメソッドよりも優れており、モデルがDGに不可欠なセマンティック機能により焦点を合わせるのに役立つことを実証的に示す。
関連論文リスト
- DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。
我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。
DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
論文 参考訳(メタデータ) (2024-02-29T07:09:01Z) - Towards Full-scene Domain Generalization in Multi-agent Collaborative
Bird's Eye View Segmentation for Connected and Autonomous Driving [54.60458503590669]
協調認識の学習段階と推論段階の両方に適用可能な統合ドメイン一般化フレームワークを提案する。
我々は、AmpAug(Amplitude Augmentation)法を用いて、低周波画像の変動を増大させ、学習能力を拡大する。
推論フェーズでは、システム内ドメインアライメント機構を導入し、ドメインの不一致を減らし、潜在的に排除する。
論文 参考訳(メタデータ) (2023-11-28T12:52:49Z) - Towards Domain-Specific Features Disentanglement for Domain
Generalization [23.13095840134744]
そこで本研究では,見過ごされがちな領域特化特徴を生かした,新しいコントラッシブ・ベース・ディコンタンジメント法CDDGを提案する。
具体的には、CDDGは、潜在空間においてそれらを活用することによって、固有の排他的特徴を分離することを学ぶ。
各種ベンチマークデータセットを用いて行った実験は,他の最先端手法と比較して,本手法の優位性を示した。
論文 参考訳(メタデータ) (2023-10-04T17:51:02Z) - Diverse Target and Contribution Scheduling for Domain Generalization [34.29652655561764]
分散シフトの下での一般化は、コンピュータビジョンにおいて大きな課題である。
我々は、DGの新しいパラダイムであるDiverse Target and Contribution Scheduling(DTCS)を提案する。
DTCSは2つの革新的なモジュール、Diverse Target Supervision (DTS)とDiverse Contribution Balance (DCB)で構成されている。
論文 参考訳(メタデータ) (2023-09-28T14:10:25Z) - Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。
AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。
その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
論文 参考訳(メタデータ) (2022-08-03T11:51:11Z) - On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。
いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。
我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-24T16:29:43Z) - Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。
組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。
4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
論文 参考訳(メタデータ) (2022-03-24T11:54:59Z) - META: Mimicking Embedding via oThers' Aggregation for Generalizable
Person Re-identification [68.39849081353704]
Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。
本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
論文 参考訳(メタデータ) (2021-12-16T08:06:50Z) - Reappraising Domain Generalization in Neural Networks [8.06370138649329]
機械学習アルゴリズムのドメイン一般化(DG)は、複数のトレーニング分布からドメインに依存しない仮説を学習する能力として定義される。
経験的リスク最小化(ERM)ベースラインは,既存のDG手法を一貫して上回っていることがわかった。
そこで我々は,各クラスに対してランダムにドメインを選択して,それをテスト用として保持する,クラスワイズDGの定式化を提案する。
論文 参考訳(メタデータ) (2021-10-15T10:06:40Z) - Discrepancy Minimization in Domain Generalization with Generative
Nearest Neighbors [13.047289562445242]
ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインでトレーニングされた機械学習モデルが、統計の異なるターゲットドメインでうまく一般化できないという、ドメインシフトの問題を扱う。
シフト対象領域の一般化を保証するのに失敗するソースドメイン全体にわたるドメイン不変表現を学習することにより、ドメイン一般化の問題を解決するために、複数のアプローチが提案されている。
本稿では,GNNDM(Generative Nearest Neighbor Based Discrepancy Minimization)法を提案する。
論文 参考訳(メタデータ) (2020-07-28T14:54:25Z) - Dual Distribution Alignment Network for Generalizable Person
Re-Identification [174.36157174951603]
ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する
本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。
大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
論文 参考訳(メタデータ) (2020-07-27T00:08:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。